CN113886721A - 个性化兴趣点推荐方法、装置、计算机设备及存储介质 - Google Patents

个性化兴趣点推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113886721A
CN113886721A CN202111476693.8A CN202111476693A CN113886721A CN 113886721 A CN113886721 A CN 113886721A CN 202111476693 A CN202111476693 A CN 202111476693A CN 113886721 A CN113886721 A CN 113886721A
Authority
CN
China
Prior art keywords
information
interest
interest point
user
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111476693.8A
Other languages
English (en)
Other versions
CN113886721B (zh
Inventor
胡春华
李子豪
王宗润
任剑
孙思源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202111476693.8A priority Critical patent/CN113886721B/zh
Publication of CN113886721A publication Critical patent/CN113886721A/zh
Application granted granted Critical
Publication of CN113886721B publication Critical patent/CN113886721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据处理技术领域，公开了一种个性化兴趣点推荐方法、装置、计算机设备及存储介质，包括：通过获取用户签到数据，用户签到数据包括用户信息集合、每个用户信息对应的兴趣点集合、每个兴趣点的位置信息以及每个兴趣点的签到时间信息，基于图神经网络的传播层，对用户信息集合和兴趣点集合进行训练，得到关联用户信息和关联兴趣点信息，根据预设的衰减权重，对关联兴趣点信息和关联用户信息进行更新后输入到图神经网络的预测层进行计算，得到兴趣点推荐分值，基于预设的排序规则，对用户的所有兴趣点推荐分值进行排序，得到每个用户对应的兴趣点推荐列表，根据兴趣点推荐列表推荐兴趣点，提高为用户进行个性化兴趣点推荐的准确度。

Description

个性化兴趣点推荐方法、装置、计算机设备及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种个性化兴趣点推荐方法、装置、计算机设备及存储介质。
背景技术
随着互联网信息技术的发展和移动电子设备的普及，网上信息量过载，例如，美团、大众点评等软件的用户签到数据信息量急剧增加，因此，如何为用户从海量数据中为其实时找到个性化兴趣点POI(Point-Of-Interest)非常重要，另外，不同城市之间的人口流动越来越频繁，用户在历史城市的签到记录不能反应用户在当前城市的兴趣，因此，为进行跨城市活动的用户推荐个性化兴趣点也是亟待解决的问题。
目前，主要参考评分信息或者用户浏览、消费记录等交互信息捕捉用户喜好进行推荐，上述数据维度较为单一，无法为用户进行准确的个性化兴趣点推荐。
发明内容
本发明实施例提供一种个性化兴趣点推荐方法、装置、计算机设备和存储介质，以提高为用户进行个性化兴趣点推荐的准确性。
为了解决上述技术问题，本申请实施例提供一种个性化兴趣点方法，包括：
获取用户签到数据，所述用户签到数据包括用户信息集合、每个用户信息对应的兴趣点集合、每个兴趣点的位置信息以及每个兴趣点的签到时间信息；
基于图神经网络的传播层，对所述用户信息集合和所述兴趣点集合进行训练，得到关联用户信息和关联兴趣点信息；
根据预设的衰减权重，对所述关联兴趣点信息和所述关联用户信息进行更新，得到更新后的关联兴趣点信息和更新后的关联用户信息；
将所述更新后的关联兴趣点信息和所述更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值；
基于预设的排序规则，对用户的所有所述兴趣点推荐分值进行排序，得到每个用户对应的兴趣点推荐列表；
根据所述兴趣点推荐列表，向所述兴趣点推荐列表对应的用户推荐兴趣点。
为了解决上述技术问题，本申请实施例还提供一种个性化兴趣点推荐装置，包括：
数据获取模块，用于获取用户签到数据，所述用户签到数据包括用户信息集合、每个用户信息对应的兴趣点集合、每个兴趣点的位置信息以及每个兴趣点的签到时间信息；
关联信息获取模块，用于基于图神经网络的传播层，对所述用户信息集合和所述兴趣点集合进行训练，得到关联用户信息和关联兴趣点信息；
关联信息更新模块，用于根据预设的衰减权重，对所述关联兴趣点信息和所述关联用户信息进行更新，得到更新后的关联兴趣点信息和更新后的关联用户信息；
兴趣评分计算模块，用于将所述更新后的关联兴趣点信息和所述更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值；
排序模块，用于基于预设的排序规则，对用户的所有所述兴趣点推荐分值进行排序，得到每个用户对应的兴趣点推荐列表；
推荐模块，用于根据所述兴趣点推荐列表，向所述兴趣点推荐列表对应的用户推荐兴趣点。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述个性化兴趣点推荐方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述个性化兴趣点推荐方法的步骤。
本发明实施例提供的个性化兴趣点推荐方法、装置、计算机设备及存储介质，通过获取用户签到数据，用户签到数据包括用户信息集合、每个用户信息对应的兴趣点集合、每个兴趣点的位置信息以及每个兴趣点的签到时间信息，基于图神经网络的传播层，对用户信息集合和兴趣点集合进行训练，得到关联用户信息和关联兴趣点信息，根据预设的衰减权重，对关联兴趣点信息和关联用户信息进行更新，得到更新后的关联兴趣点信息和更新后的关联用户信息，将更新后的关联兴趣点信息和更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值，基于预设的排序规则，对用户的所有兴趣点推荐分值进行排序，得到每个用户对应的兴趣点推荐列表，根据兴趣点推荐列表，向兴趣点推荐列表对应的用户推荐兴趣点，本发明通过图神经网络，获取关联用户信息和关联兴趣点信息，并基于预设的衰减权重对关联用户信息和关联兴趣点信息进行更新，有利于更加准确的确定各个用户之间的关联以及各个兴趣点之间的关联，提高为用户进行个性化兴趣点推荐的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请的个性化兴趣点推荐方法的一个实施例的流程图；
图3是根据本申请的个性化兴趣点推荐装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的个性化兴趣点推荐方法由服务器执行，相应地，个性化兴趣点推荐装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2，图2示出本发明实施例提供的一种个性化兴趣点推荐方法，以该方法应用在图1中的服务端为例进行说明，详述如下。
S201：获取用户签到数据，用户签到数据包括用户信息集合、每个用户信息对应的兴趣点集合、每个兴趣点的位置信息以及每个兴趣点的签到时间信息。
具体的，可以从互联网平台获取用户签到数据，例如美团、飞猪等互联网平台，用户信息集合中包括至少一个用户信息，兴趣点集合包括至少一个兴趣点，兴趣点的位置信息包括兴趣点的经纬度，兴趣点的签到信息为用户在兴趣点的签到时间，此处，需要特别说明的是，上述用户信息、兴趣点为用户编号和兴趣点编号，如兴趣点为一商家名称，通过对该商家名称进行唯一标识符处理后得到一数字编号，并将该数字编号作为该商家名称对应的兴趣点编号。
S202：基于图神经网络的传播层，对用户信息集合和兴趣点集合进行训练，得到关联用户信息和关联兴趣点信息。
具体，图神经网络为图协同神经网络，其依次包括嵌入层、传播层和预测层，其中，嵌入层用于将用户签到数据初始化成向量形式，传播层用于捕捉用户之间的关联关系和兴趣点之间的关联关系，预测层用于预测每个用户对应的每个兴趣点的评分，在此处，关联用户信息为具有与用户信息集合中一个用户信息关联关系的用户信息之间的关联网络图，如具有相同兴趣点的用户信息为具有关联关系，关联兴趣点信息为与用户的兴趣点集合中的一个兴趣点具有关联关系的兴趣点之间的关联网络图，如不同城市的连锁商店为具有关联关系。
S203：根据预设的衰减权重，对关联兴趣点信息和关联用户信息进行更新，得到更新后的关联兴趣点信息和更新后的关联用户信息。
具体的，预设的衰减权重的获取方式包括。
将每个用户对应的兴趣点的签到时间顺序进行排序，得到签到时间序列。
对从签到时间序列中获取一个签到时间作为比较参数，将该比较参数依次与签到时间序列中连续的兴趣点的签到时间进行差值计算，得到时间差值集合。
具体的，该比较参数为通过对用户历史签到时间数据进行分析而获得。
根据时间差值集合，获得预设的衰减权重。
具体的，根据公式（1）计算得到预设的衰减权重。
Figure 63488DEST_PATH_IMAGE001
（1）
式中，
Figure 246208DEST_PATH_IMAGE002
为签到时间序列中第i个兴趣点的签到时间的衰减权重，t为比较参数，
Figure 917623DEST_PATH_IMAGE003
为签到时间序列中第i个兴趣点的签到时间。
根据预设的衰减权重，计算得到更新后的关联兴趣点信息，具体的，根据公式（2），计算得到更新后的关联兴趣点信息。
Figure 578411DEST_PATH_IMAGE004
（2）
式中，
Figure 658363DEST_PATH_IMAGE005
为更新后的关联兴趣点信息，
Figure 887350DEST_PATH_IMAGE006
为用户u签到时间序列，
Figure 419962DEST_PATH_IMAGE002
为签到时间序列中第i个兴趣点的签到时间的衰减权重，
Figure 884442DEST_PATH_IMAGE007
为第i个兴趣点的关联兴趣点信息。
根据更新后的关联兴趣点信息，得到更新后的关联用户信息，具体的，根据公式（3），计算得到更新后的关联用户信息。
Figure 818900DEST_PATH_IMAGE008
（3）
式中，
Figure 202477DEST_PATH_IMAGE009
为用户u的更新后的关联用户信息，
Figure 222385DEST_PATH_IMAGE010
为用户u的关联用户信息，
Figure 224976DEST_PATH_IMAGE011
为用户u更新后的关联兴趣点信息。
S204：将更新后的关联兴趣点信息和更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值。
具体的，用户兴趣评分为用户对一个兴趣点的评分，将更新后的关联兴趣点信息中的兴趣点进行加权求和，得到兴趣点累加值；将更新后的关联用户信息中的用户信息进行加权求和，得到用户信息累加值；将兴趣点累加值和用户信息累加值进行乘积，得到用户对一个兴趣点的用户兴趣评分。
S205：基于预设的排序规则，对用户的所有兴趣点推荐分值进行排序，得到每个用户对应的兴趣点推荐列表。
具体的，预设的排序规则可以为按照兴趣点推荐分值的高低顺序进行排序，由此得到每个用户对应的兴趣点推荐列表。
S206：根据兴趣点推荐列表，向兴趣点推荐列表对应的用户推荐兴趣点。
具体的，根据兴趣点推荐列表的兴趣点推荐分值从高到低的排列顺序，向兴趣点推荐列表对应的用户推荐兴趣点，提高个性化兴趣点推荐的准确度。
在本实施例中，通过获取用户签到数据，用户签到数据包括用户信息集合、每个用户信息对应的兴趣点集合、每个兴趣点的位置信息以及每个兴趣点的签到时间信息，基于图神经网络的传播层，对用户信息集合和兴趣点集合进行训练，得到关联用户信息和关联兴趣点信息，根据预设的衰减权重，对关联兴趣点信息和关联用户信息进行更新，得到更新后的关联兴趣点信息和更新后的关联用户信息，将更新后的关联兴趣点信息和更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值，基于预设的排序规则，对用户的所有兴趣点推荐分值进行排序，得到每个用户对应的兴趣点推荐列表，根据兴趣点推荐列表，向兴趣点推荐列表对应的用户推荐兴趣点，本发明通过图神经网络，获取关联用户信息和关联兴趣点信息，并基于预设的衰减权重对关联用户信息和关联兴趣点信息进行更新，有利于更加准确的确定各个用户之间的关联以及各个兴趣点之间的关联，提高为用户进行个性化兴趣点推荐的准确度。
在本实施例的一些可选的实现方式中，步骤S204，将更新后的关联兴趣点信息和更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值之后还包括如下步骤S2040至步骤S2047。
步骤S2040：根据兴趣点的位置信息和兴趣点的签到时间信息，得到初始时空关系矩阵和关联时空关系矩阵。
具体的，初始时空矩阵为用户签到的兴趣点对应的矩阵，其签到的兴趣点的数量与初始时空关系矩阵的数量一一对应，关联时空矩阵为与用户签到的兴趣点关联的兴趣点对应的矩阵，其关联的兴趣点的数量与关联时空矩阵的数量一一对应。
具体的，按照式（4）表示初始时空关系矩阵。
Figure 13941DEST_PATH_IMAGE012
（4）
式中，
Figure 584731DEST_PATH_IMAGE013
为时间差值与位置信息差值构成第一个矩阵参数，其中，t为第一个签到的兴趣点的签到时间与第一个签到的兴趣点的签到时间的差值，s为第一个签到的兴趣点的位置信息和第一个签到的兴趣点的位置信息的差值，
Figure 91935DEST_PATH_IMAGE014
为时间差值与位置信息差值构成第二个矩阵参数，其中，t为第一个签到的兴趣点的签到时间与第二个签到的兴趣点的签到时间的差值，s为第一个签到的兴趣点的位置信息和第二个签到的兴趣点的位置信息的差值，以此类推，初始时空矩阵的大小为n*n，此处需要说明的是，签到的兴趣点不足，则矩阵参数用0补足。
按照式（5）表示关联时空关系矩阵。
Figure 632638DEST_PATH_IMAGE015
（5）
式中，
Figure 433366DEST_PATH_IMAGE013
为时间差值与位置信息差值构成第一个矩阵参数，其中，t为第一个关联的兴趣点的签到时间与第一个关联的兴趣点的签到时间的时间差值，s为第一个关联的兴趣点的位置信息和第一个关联的兴趣点的位置信息的距离差值，
Figure 34112DEST_PATH_IMAGE014
为时间差值与位置信息差值构成第二个矩阵参数，其中，t为第一个关联的兴趣点的签到时间与第二个关联的兴趣点的签到时间的时间差值，s为第一个关联的兴趣点的位置信息和第二个关联的兴趣点的位置信息的距离差值，以此类推，关联时空矩阵的大小为L*n，此处需要说明的是，关联的兴趣点不足，则矩阵参数用0补足。
步骤S2041：根据预设的单位时间和预设的单位距离，分别对初始时空关系矩阵和关联时空关系矩阵进行空间映射，得到映射后的初始时空关系矩阵和映射后的关联时空关系矩阵。
具体的，将初始时空矩阵中的矩阵参数中的时间差值与预设的时间单位相乘，得到初始时间乘积，将初始时空矩阵中的矩阵参数中的距离差值与预设的单位距离相乘，得到初始位置乘积，根据初始时间乘积和初始位置乘积，得到映射后的初始时空关系矩阵，同理，将关联时空矩阵中的矩阵参数中的时间差值与预设的时间单位相乘，得到关联时间乘积，将关联时空矩阵中的矩阵参数中的距离差值与预设的单位距离相乘，得到关联位置乘积，根据关联时间乘积和关联位置乘积，得到映射后的关联时空关系矩阵。
优选的，预设的单位时时间为1小时，预设的单位距离为100米。
步骤S2042：根据映射后的初始时空关系矩阵，得到初始时空关系信息。
具体的，根据公式（6）得到初始时空关系信息。
Figure 28612DEST_PATH_IMAGE016
（6）
式中，
Figure 373006DEST_PATH_IMAGE017
为映射后的初始时空关系信息，
Figure 11929DEST_PATH_IMAGE003
为映射后的初始时空矩阵中的第i个时间差值，
Figure 49155DEST_PATH_IMAGE018
为映射后的初始时空矩阵中第i个距离差值，其中，n为初始时空矩阵的行列数。
步骤S2043：根据映射后的关联时空关系矩阵，得到关联时空关系信息。
具体的，根据公式（7）得到关联时空关系信息。
Figure 265373DEST_PATH_IMAGE019
（7）
式中，
Figure 413457DEST_PATH_IMAGE020
为关联时空关系信息，
Figure 421734DEST_PATH_IMAGE003
为映射后的关联时空矩阵中的第i个时间差值，
Figure 364282DEST_PATH_IMAGE018
为映射后的关联时空矩阵中第i个距离差值，其中，L为映射后的关联时空矩阵的行数。
步骤S2044：根据兴趣点的位置信息和预设的周期时间，获得时空轨迹信息。
具体的，具体的时空轨迹信息包括至少一个时空轨迹，根据公式（8）获得时空轨迹。
Figure 67796DEST_PATH_IMAGE021
（8）
式中，
Figure 753992DEST_PATH_IMAGE022
为用户u第i个时空轨迹，
Figure 367507DEST_PATH_IMAGE023
为用户u第i个兴趣点的位置信息，
Figure 746536DEST_PATH_IMAGE024
为预设的时间周期，其优选为一周（即7*24=168），其可以表示一天或一周中的确切时间，反映周期性。
步骤S2045：将初始时空关系信息和时空轨迹信息输入注意力网络的聚集层进行计算，得到更新的时空轨迹信息，作为用户签到轨迹。
具体的，根据公式（9）得到更新的时空轨迹信息。
Figure 937346DEST_PATH_IMAGE025
（9）
式中，s(u)为更新的时空轨迹信息，M为预设的掩蔽矩阵（可根据实际应用场景进行预设），
Figure 427233DEST_PATH_IMAGE026
、
Figure 380408DEST_PATH_IMAGE027
、
Figure 195917DEST_PATH_IMAGE028
为注意力网络的权重参数，
Figure 874023DEST_PATH_IMAGE029
为时空轨迹信息，
Figure 42967DEST_PATH_IMAGE030
为初始时空关系信息，d为预设的时间维度，为168。
步骤S2046：将用户签到轨迹和关联时空关系信息输入到注意力网络的匹配层进行计算，得到用户时空评分。
具体的，根据公式（10）得到用户时空评分。
Figure 490129DEST_PATH_IMAGE031
（10）
式中，
Figure 945381DEST_PATH_IMAGE032
为用户时空评分，s(u)为更新的时空轨迹信息，E（N）为关联时空关系信息，d为预设的时间维度，为168。
步骤S2047：将用户时空评分和用户兴趣评分进行加权求和，得到更新后的用户兴趣评分，作为兴趣点推荐分值。
具体的，根据公式（11）计算获得更新后的用户兴趣评分。
Figure 110783DEST_PATH_IMAGE033
（11）
式中，r为更新后的用户兴趣评分，
Figure 67107DEST_PATH_IMAGE034
为用户兴趣评分，
Figure 634354DEST_PATH_IMAGE032
为用户时空评分，
Figure 260508DEST_PATH_IMAGE035
为权重参数。
在本实施例中，通过对用户时空评分和用户兴趣评分进行加权求和，得到更新后的用户兴趣评分，结合了时间、空间两个维度信息有利于对用户的个性化兴趣点进行准确的预测，从而提高为用户推荐个性化兴趣点的准确性。
在本实施例的一些可选的实现方式中，步骤S2040，根据兴趣点的位置信息和兴趣点的签到时间信息，得到初始时空关系矩阵和关联时空关系矩阵包括如下步骤S20400至步骤S20403。
步骤S20400：根据用户签到数据确定初始兴趣点的位置信息和初始兴趣点的签到时间信息。
步骤S20401：根据关联兴趣点信息确定关联兴趣点的位置信息和关联兴趣点的签到时间信息。
步骤S20402：根据初始兴趣点的位置信息和初始兴趣点的签到时间信息，得到初始时空关系矩阵。
步骤S20403：根据关联兴趣点的位置信息和关联兴趣点的签到时间信息，得到关联时空关系矩阵。
在本实施例中，结合了用户的签到的兴趣点的位置信息和签到时间信息以及用户的关联的兴趣点的位置信息和签到时间信息建立关系矩阵，有利于增加用户的个性化兴趣点的推荐范围，从而为用户提供更多的个性化兴趣点的推荐选择，此外通过结合时间信息和位置信息建立初始时空关系矩阵和关联时空关系矩阵，有利于提高为用户推荐个性化兴趣点的准确性。
在本实施例的一些可选的实现方式中，步骤S20402，根据初始兴趣点的位置信息和初始兴趣点的签到时间信息，得到初始时空关系矩阵包括。
计算每个初始兴趣点的位置信息与其自身及其它初始兴趣点的位置信息的差值，作为第一差值信息。
计算每个兴趣点的签到时间信息与其自身及其它初始兴趣点的签到时间信息的差值，作为第二差值信息。
根据第一差值信息和第二差值信息，得到初始时空关系矩阵。
在本实施例中，通过计算初始兴趣点的位置信息的差值以及签到时间信息的差值，并根据时间差值和距离差值得到初始时空关系矩阵，有利于提高为用户推荐个性化兴趣点的准确性。
在本实施例的一些可选的实现方式中，步骤S20403，根据关联兴趣点的位置信息和关联兴趣点的签到时间信息，得到关联时空关系矩阵包括。
计算每个关联兴趣点的位置信息与其自身及其它关联兴趣点的位置信息的差值，作为第三差值信息。
计算每个关联兴趣点的签到时间信息与其自身及其它关联兴趣点的位置信息的差值，作为第四差值信息。
根据第三差值信息和第四差值信息，得到关联时空关系矩阵。
在本实施例中，通过计算关联兴趣点的位置信息的差值以及签到时间信息的差值，并根据时间差值和距离差值得到关联时空关系矩阵，有利于提高为用户推荐个性化兴趣点的准确性。
在本实施例中的一些可选的实现方式中，步骤S2042，根据映射后的初始时空关系矩阵，得到初始时空关系信息包括。
从映射后的初始时空关系矩阵中获取第一时间参数集合和第一位置参数集合。
具体的，第一参数集合为映射后的初始时空关系矩阵中的时间差值，第二参数集合为映射后的初始时空关系矩阵中的距离差值。
将第一时间参数集合中的时间参数进行求和，得到第一时间参数和。
将第一位置参数集合中的位置参数进行求和，得到第一位置参数和。
对第一时间参数和与第一位置参数和进行求和，得到初始时空关系信息。
在本实施例中，通过对第一时间参数和与第一位置参数和进行求和，得到初始时空关系信息，有利于提高为用户进行个性化兴趣点推荐的准确性。
在本实施例中的一些可选的实现方式中，步骤S2043，根据映射后的关联时空关系矩阵，得到关联时空关系信息包括。
从映射后的关联时空关系矩阵中获取第二时间参数集合和第二位置参数集合。
具体的，第二参数集合为映射后的关联时空关系矩阵中的时间差值，第二参数集合为映射后的关联时空关系矩阵中的距离差值。
将第二时间参数集合中的时间参数进行求和，得到第二时间参数和。
将第二位置参数集合中的位置参数进行求和，得到第二位置参数和。
对第二时间参数和与第二位置参数和进行求和，得到关联时空关系信息。
在本实施例中，通过对第二时间参数和与第二位置参数和进行求和，得到关联时空关系信息，有利于提高为用户进行个性化兴趣点推荐的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例个性化兴趣点推荐方法一一对应的个性化兴趣点推荐装置的原理框图。如图3所示，该个性化兴趣点推荐装置包括数据获取模块30、关联信息获取模块31、关联信息更新模块32、兴趣评分计算模块33、排序模块34和推荐模块35。各功能模块详细说明如下。
数据获取模块30，用于获取用户签到数据，用户签到数据包括用户信息集合、每个用户信息对应的兴趣点集合、每个兴趣点的位置信息以及每个兴趣点的签到时间信息。
关联信息获取模块31，用于基于图神经网络的传播层，对用户信息集合和兴趣点集合进行训练，得到关联用户信息和关联兴趣点信息。
关联信息更新模块32，用于根据预设的衰减权重，对关联兴趣点信息和关联用户信息进行更新，得到更新后的关联兴趣点信息和更新后的关联用户信息。
兴趣评分计算模块33，用于将更新后的关联兴趣点信息和更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值。
排序模块34，用于基于预设的排序规则，对用户的所有兴趣点推荐分值进行排序，得到每个用户对应的兴趣点推荐列表。
推荐模块35，用于根据兴趣点推荐列表，向兴趣点推荐列表对应的用户推荐兴趣点。
进一步的，兴趣评分计算模块33包括。
第一矩阵获取模块，用于根据兴趣点的位置信息和兴趣点的签到时间信息，得到初始时空关系矩阵和关联时空关系矩阵。
空间映射模块，用于根据预设的单位时间和预设的单位距离，分别对初始时空关系矩阵和关联时空关系矩阵进行空间映射，得到映射后的初始时空关系矩阵和映射后的关联时空关系矩阵。
初始时空关系信息获取模块，用于根据映射后的初始时空关系矩阵，得到初始时空关系信息。
关联时空关系信息获取模块，用于根据映射后的关联时空关系矩阵，得到关联时空关系信息。
时空轨迹信息获取模块，用于根据兴趣点的位置信息和预设的周期时间，获得时空轨迹信息。
轨迹信息更新模块，用于将初始时空关系信息和时空轨迹信息输入注意力网络的聚集层进行计算，得到更新的时空轨迹信息，作为用户签到轨迹。
时空评分获取模块，用于将用户签到轨迹和关联时空关系信息输入到注意力网络的匹配层进行计算，得到用户时空评分。
兴趣评分更新模块，用于将用户时空评分和用户兴趣评分进行加权求和，得到更新后的用户兴趣评分，作为兴趣点推荐分值。
进一步的，第一矩阵获取模块包括。
第一确定模块，用于根据用户签到数据确定初始兴趣点的位置信息和初始兴趣点的签到时间信息。
第二确定模块，用于根据关联兴趣点信息确定关联兴趣点的位置信息和关联兴趣点的签到时间信息。
第二矩阵获取模块，用于根据初始兴趣点的位置信息和初始兴趣点的签到时间信息，得到初始时空关系矩阵。
第三矩阵获取模块，用于根据关联兴趣点的位置信息和关联兴趣点的签到时间信息，得到关联时空关系矩阵。
进一步的，第二矩阵获取模块包括。
第一差值计算模块，用于计算每个初始兴趣点的位置信息与其自身及其它初始兴趣点的位置信息的差值，作为第一差值信息。
第二差值计算模块，用于计算每个兴趣点的签到时间信息与其自身及其它初始兴趣点的签到时间信息的差值，作为第二差值信息。
第四矩阵获取模块，用于根据第一差值信息和第二差值信息，得到初始时空关系矩阵。
进一步的，第三矩阵获取模块包括。
第三差值计算模块，用于计算每个关联兴趣点的位置信息与其自身及其它关联兴趣点的位置信息的差值，作为第三差值信息。
第四差值计算模块，用于计算每个关联兴趣点的签到时间信息与其自身及其它关联兴趣点的位置信息的差值，作为第四差值信息。
第五矩阵获取模块，用于根据第三差值信息和第四差值信息，得到关联时空关系矩阵。
进一步的，初始时空关系信息获取模块。
第一参数获取模块，用于从映射后的初始时空关系矩阵中获取第一时间参数集合和第一位置参数集合。
第一求和模块，用于将第一时间参数集合中的时间参数进行求和，得到第一时间参数和。
第二求和模块，用于将第一位置参数集合中的位置参数进行求和，得到第一位置参数和。
第三求和模块，用于对第一时间参数和与第一位置参数和进行求和，得到初始时空关系信息。
进一步的，关联时空关系信息获取模块包括。
第二参数获取模块，用于从映射后的关联时空关系矩阵中获取第二时间参数集合和第二位置参数集合。
第四求和模块，用于将第二时间参数集合中的时间参数进行求和，得到第二时间参数和。
第五求和模块，用于将第二位置参数集合中的位置参数进行求和，得到第二位置参数和。
第六求和模块，用于对第二时间参数和与第二位置参数和进行求和，得到关联时空关系信息。
关于个性化兴趣点推荐装置的具体限定可以参见上文中对于个性化兴趣点推荐方法的限定，在此不再赘述。上述个性化兴趣点推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或D界面显示存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的个性化兴趣点推荐方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种个性化兴趣点推荐方法，其特征在于，包括：
获取用户签到数据，所述用户签到数据包括用户信息集合、每个用户信息对应的兴趣点集合、每个兴趣点的位置信息以及每个兴趣点的签到时间信息；
基于图神经网络的传播层，对所述用户信息集合和所述兴趣点集合进行训练，得到关联用户信息和关联兴趣点信息；
根据预设的衰减权重，对所述关联兴趣点信息和所述关联用户信息进行更新，得到更新后的关联兴趣点信息和更新后的关联用户信息；
将所述更新后的关联兴趣点信息和所述更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值；
基于预设的排序规则，对用户的所有所述兴趣点推荐分值进行排序，得到每个用户对应的兴趣点推荐列表；
根据所述兴趣点推荐列表，向所述兴趣点推荐列表对应的用户推荐兴趣点。
2.如权利要求1所述的个性化兴趣点推荐方法，其特征在于，所述将所述更新后的关联兴趣点信息和所述更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值之后，所述方法还包括：
根据所述兴趣点的位置信息和所述兴趣点的签到时间信息，得到初始时空关系矩阵和关联时空关系矩阵；
根据预设的单位时间和预设的单位距离，分别对所述初始时空关系矩阵和所述关联时空关系矩阵进行空间映射，得到映射后的初始时空关系矩阵和映射后的关联时空关系矩阵；
根据所述映射后的初始时空关系矩阵，得到初始时空关系信息；
根据所述映射后的关联时空关系矩阵，得到关联时空关系信息；
根据所述兴趣点的位置信息和预设的周期时间，获得时空轨迹信息；
将所述初始时空关系信息和所述时空轨迹信息输入注意力网络的聚集层进行计算，得到更新的时空轨迹信息，作为用户签到轨迹；
将所述用户签到轨迹和所述关联时空关系信息输入到注意力网络的匹配层进行计算，得到用户时空评分；
将所述用户时空评分和所述用户兴趣评分进行加权求和，得到更新后的用户兴趣评分，作为兴趣点推荐分值。
3.如权利要求2所述的个性化兴趣点推荐方法，其特征在于，所述根据所述兴趣点的位置信息和所述兴趣点的签到时间信息，得到初始时空关系矩阵和关联时空关系矩阵包括：
根据所述用户签到数据确定初始兴趣点的位置信息和初始兴趣点的签到时间信息；
根据所述关联兴趣点信息确定关联兴趣点的位置信息和关联兴趣点的签到时间信息；
根据所述初始兴趣点的位置信息和所述初始兴趣点的签到时间信息，得到初始时空关系矩阵；
根据所述关联兴趣点的位置信息和所述关联兴趣点的签到时间信息，得到关联时空关系矩阵。
4.如权利要求3所述的个性化兴趣点推荐方法，其特征在于，所述根据所述初始兴趣点的位置信息和所述初始兴趣点的签到时间信息，得到初始时空关系矩阵包括：
计算每个所述初始兴趣点的位置信息与其自身及其它初始兴趣点的位置信息的差值，作为第一差值信息；
计算每个所述兴趣点的签到时间信息与其自身及其它初始兴趣点的签到时间信息的差值，作为第二差值信息；
根据所述第一差值信息和所述第二差值信息，得到初始时空关系矩阵。
5.如权利要求3所述的个性化兴趣点推荐方法，其特征在于，所述根据所述关联兴趣点的位置信息和所述关联兴趣点的签到时间信息，得到关联时空关系矩阵包括：
计算每个所述关联兴趣点的位置信息与其自身及其它关联兴趣点的位置信息的差值，作为第三差值信息；
计算每个所述关联兴趣点的签到时间信息与其自身及其它关联兴趣点的位置信息的差值，作为第四差值信息；
根据所述第三差值信息和所述第四差值信息，得到关联时空关系矩阵。
6.如权利要求2所述的个性化兴趣点推荐方法，其特征在于，所述根据所述映射后的初始时空关系矩阵，得到初始时空关系信息包括：
从所述映射后的初始时空关系矩阵中获取第一时间参数集合和第一位置参数集合；
将所述第一时间参数集合中的时间参数进行求和，得到第一时间参数和；
将所述第一位置参数集合中的位置参数进行求和，得到第一位置参数和；
对所述第一时间参数和与所述第一位置参数和进行求和，得到初始时空关系信息。
7.如权利要求2所述的个性化兴趣点推荐方法，其特征在于，所述根据所述映射后的关联时空关系矩阵，得到关联时空关系信息包括：
从所述映射后的关联时空关系矩阵中获取第二时间参数集合和第二位置参数集合；
将所述第二时间参数集合中的时间参数进行求和，得到第二时间参数和；
将所述第二位置参数集合中的位置参数进行求和，得到第二位置参数和；
对所述第二时间参数和与所述第二位置参数和进行求和，得到关联时空关系信息。
8.一种个性化兴趣点推荐装置，其特征在于，包括：
数据获取模块，用于获取用户签到数据，所述用户签到数据包括用户信息集合、每个用户信息对应的兴趣点集合、每个兴趣点的位置信息以及每个兴趣点的签到时间信息；
关联信息获取模块，用于基于图神经网络的传播层，对所述用户信息集合和所述兴趣点集合进行训练，得到关联用户信息和关联兴趣点信息；
关联信息更新模块，用于根据预设的衰减权重，对所述关联兴趣点信息和所述关联用户信息进行更新，得到更新后的关联兴趣点信息和更新后的关联用户信息；
兴趣评分计算模块，用于将所述更新后的关联兴趣点信息和所述更新后的关联用户信息输入到图神经网络的预测层进行计算，得到用户兴趣评分，作为兴趣点推荐分值；
排序模块，用于基于预设的排序规则，对用户的所有所述兴趣点推荐分值进行排序，得到每个用户对应的兴趣点推荐列表；
推荐模块，用于根据所述兴趣点推荐列表，向所述兴趣点推荐列表对应的用户推荐兴趣点。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的个性化兴趣点推荐方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的个性化兴趣点推荐方法。
CN202111476693.8A 2021-12-06 2021-12-06 个性化兴趣点推荐方法、装置、计算机设备及存储介质 Active CN113886721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111476693.8A CN113886721B (zh) 2021-12-06 2021-12-06 个性化兴趣点推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111476693.8A CN113886721B (zh) 2021-12-06 2021-12-06 个性化兴趣点推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113886721A true CN113886721A (zh) 2022-01-04
CN113886721B CN113886721B (zh) 2022-02-18

Family

ID=79016328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111476693.8A Active CN113886721B (zh) 2021-12-06 2021-12-06 个性化兴趣点推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113886721B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114625971A (zh) * 2022-05-12 2022-06-14 湖南工商大学 一种基于用户签到的兴趣点推荐方法及设备
CN114780866A (zh) * 2022-04-11 2022-07-22 山东省人工智能研究院 一种基于时空上下文兴趣学习模型的个性化智能推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291138A (zh) * 2020-02-21 2020-06-16 支付宝(杭州)信息技术有限公司 更新关系网络的方法及装置
CN111949865A (zh) * 2020-08-10 2020-11-17 杭州电子科技大学 基于图神经网络与用户长短期偏好的兴趣点推荐方法
US20210248461A1 (en) * 2020-02-11 2021-08-12 Nec Laboratories America, Inc. Graph enhanced attention network for explainable poi recommendation
CN113505306A (zh) * 2021-06-21 2021-10-15 广东交通职业技术学院 基于异质图神经网络的兴趣点推荐方法、系统及介质
CN113536139A (zh) * 2021-09-15 2021-10-22 湖南工商大学 基于兴趣的内容推荐方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210248461A1 (en) * 2020-02-11 2021-08-12 Nec Laboratories America, Inc. Graph enhanced attention network for explainable poi recommendation
CN111291138A (zh) * 2020-02-21 2020-06-16 支付宝(杭州)信息技术有限公司 更新关系网络的方法及装置
CN111949865A (zh) * 2020-08-10 2020-11-17 杭州电子科技大学 基于图神经网络与用户长短期偏好的兴趣点推荐方法
CN113505306A (zh) * 2021-06-21 2021-10-15 广东交通职业技术学院 基于异质图神经网络的兴趣点推荐方法、系统及介质
CN113536139A (zh) * 2021-09-15 2021-10-22 湖南工商大学 基于兴趣的内容推荐方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡春华: ""社交电商中融合信任和声誉的图神经网络推荐研究"", 《中国管理科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780866A (zh) * 2022-04-11 2022-07-22 山东省人工智能研究院 一种基于时空上下文兴趣学习模型的个性化智能推荐方法
CN114780866B (zh) * 2022-04-11 2022-11-01 山东省人工智能研究院 一种基于时空上下文兴趣学习模型的个性化智能推荐方法
CN114625971A (zh) * 2022-05-12 2022-06-14 湖南工商大学 一种基于用户签到的兴趣点推荐方法及设备
CN114625971B (zh) * 2022-05-12 2022-09-09 湖南工商大学 一种基于用户签到的兴趣点推荐方法及设备

Also Published As

Publication number Publication date
CN113886721B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN110825957B (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN112148987B (zh) 基于目标对象活跃度的消息推送方法及相关设备
CN104246748B (zh) 用于确定情境的系统和方法
CN113886721B (zh) 个性化兴趣点推荐方法、装置、计算机设备及存储介质
CN112328909B (zh) 信息推荐方法、装置、计算机设备及介质
CN113220734A (zh) 课程推荐方法、装置、计算机设备及存储介质
CN113822460A (zh) 一种交通流量预测方法、装置、电子设备和存储介质
CN112785005A (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN112381236A (zh) 联邦迁移学习的数据处理方法、装置、设备及存储介质
CN112418443A (zh) 基于迁移学习的数据处理方法、装置、设备及存储介质
CN110489563B (zh) 图结构的表示方法、装置、设备及计算机可读存储介质
CN114625971B (zh) 一种基于用户签到的兴趣点推荐方法及设备
CN113255231B (zh) 一种数据处理方法、装置、设备及存储介质
CN112257908B (zh) 一种山区农业多源异构数据的整合方法及装置
CN112418442A (zh) 联邦迁移学习的数据处理方法、装置、设备及存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN112418441A (zh) 基于迁移学习的数据处理方法、装置、设备及存储介质
CN112084408A (zh) 名单数据筛选方法、装置、计算机设备及存储介质
CN111125272B (zh) 一种区域特征获取方法、装置、计算机设备及介质
CN115455276A (zh) 推荐对象的方法、装置、计算机设备和存储介质
CN112669136A (zh) 基于大数据的金融产品推荐方法、系统、设备及存储介质
CN113590935B (zh) 信息推荐方法、装置、计算机设备及存储介质
CN116029357B (zh) 训练样本生成、模型训练、点击率评估方法及电子设备
CN115640896A (zh) 多用户场景下的家庭用户电力负荷预测方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant